基于改进小树变换的NPC三电平逆变器故障诊断方法技术

本发明专利技术涉及一种基于改进小树变换的NPC三电平逆变器故障诊断方法，包括：构建NPC三电平逆变器电路仿真模型，模拟故障过程，测量桥臂的电压波形作为故障信号；将故障信号分解为多个IMFs分量；对每个IMFs分量进行希尔伯特Hilbert变换，得到其时频分布和振幅，选择前8个IMFs分量；使用包络分析拟合出包络信号，筛选出故障特征参数；用高斯核函数对小树变换进行优化，产生彼此独立的特征向量样本；将样本数据按3∶7分为训练集和测试集；训练集用来构造SVM分类器模型，测试集用来实际诊断电路故障。本发明专利技术采用EEMD对故障信号进行分解，再结合希尔伯特变换，收集了更多的频域特征，更适合处理三电平逆变器电路故障产生的非线性、非平稳信号。

Fault diagnosis method of NPC three-level inverter based on improved small tree transformation

【技术实现步骤摘要】
基于改进小树变换的NPC三电平逆变器故障诊断方法
本专利技术涉及电路器件故障诊断
，尤其是基于改进小树变换的NPC三电平逆变器电路故障诊断方法。
技术介绍
相对于传统的两电平逆变器，三电平逆变器具有器件所承受的电压应力低、电磁干扰小、输出电压的谐波少和逆变效率高等优点，但三电平电路使用了更多的功率开关器件，导致电路的可靠性降低，任何一个器件故障都有可能导致整个电路停止工作，甚至会影响到其他电路的安全，造成不可估量的经济损失。因此如何快速地检测出故障时刻和类型，并准确地对故障信号进行分析，实现故障暂态和扰动时刻的准确定位，是现阶段亟待解决的问题。从20世纪80年代起，相关专家学者们就已经做了大量的研究工作，提出了多种NPC三电平故障诊断技术。汤清泉，颜世超等在《三电平逆变器的功率管开路故障诊断》(中国电机工程学报，2008，28(21)：26-32)中提出了以输出侧PWM电压波形和输出电流的极性作为故障特征的诊断方法，该方法速度快、可靠性高，但需要人工查找故障器件，不能够实现准确定位。廖俊勃，帕孜来·马合木提等在《三电平逆变器IGBT的开路故障诊断研究》(电测与仪表，2015，52(20)：35-40)中以测量二极管桥臂上两端电压作为故障信息，根据故障信号和小波函数的特点，利用小波变换将故障信号转化为故障特征向量。小波变换在时域和频域都能得到较高的分辨率，但它的效果取决于小波基函数的选取。此外，一旦确定了基函数，就必须用这一种基函数来处理所有信号，不能自适应。陈丹江，叶银忠在《基于多神经网络的三电平逆变器器件开路故障诊断方法》(电工技术学报，2013，28(6)：120-126)中采用傅里叶变换的方法进行故障特征提取，傅里叶变换是一种全域变换，能够在频域内获得较高的分辨率，但却不能给出频率随时间的变化情况，不能满足诊断对时域的要求，使得诊断精度较差。
技术实现思路
本专利技术的目的在于提供一种更适合处理三电平逆变器电路故障产生的非线性、非平稳信号，拥有更高的准确率的基于改进小树变换的NPC三电平逆变器电路故障诊断方法。为实现上述目的，本专利技术采用了以下技术方案：一种基于改进小树变换的NPC三电平逆变器电路故障诊断方法，该方法包括下列顺序的步骤：(1)构建NPC三电平逆变器电路仿真模型，模拟故障过程，测量桥臂的电压波形作为故障信号；(2)用集合经验模态分解EEMD将故障信号分解为多个IMFs分量；(3)对每个IMFs分量进行希尔伯特Hilbert变换，得到其时频分布和振幅，选择前8个IMFs分量；(4)对经过步骤(3)所选取的IMFs分量，使用包络分析拟合出包络信号，筛选出故障特征参数；(5)用高斯核函数对小树变换进行优化，优化后的小树变换可以使步骤(4)中的故障特征参数降维、聚类，产生彼此独立的特征向量样本；(6)将步骤(5)得到的样本数据按3：7分为训练集和测试集；训练集用来构造SVM分类器模型，测试集用来实际诊断电路故障。所述步骤(2)具体包括以下步骤：(2a)在原始故障信号u(t)中加入正态分布的白噪声序列a(t)，得到U(t)：U(t)＝u(t)+a(t)式中，U(t)是加入白噪声序列后的故障信号，u(t)是原始故障信号，a(t)是白噪声序列；(2b)对U(t)进行EMD分解，得到一组IMFs分量bj(t)和残留量rj(t)：式中，bj(t)是IMFs分量，rj(t)是残留量，j＝1，2，...，n，n为IMFs分量的个数；(2c)每次加入不同的白噪声序列ai(t)，重复步骤(2a)和步骤(2b)：式中，Ui(t)为加入第i个白噪声序列ai(t)后的故障信号，bij(t)为加入第i个白噪声序列ai(t)后的IMFs分量，rij(t)为加入第i个白噪声序列ai(t)后的残留量，N为加入高斯白噪声的次数；(2d)利用白噪声频谱的均匀分布，当信号加在遍布整个时频空间的白噪声背景上时，不同时间尺度的信号会自动分布到合适的参考尺度上；由于零均值噪声的特性，经过多次平均后，噪声将相互抵消，每次得到的IMFs集成均值就可作为最终结果；IMFs分量平均值表示为：式中，为第j个IMFs分量的平均值；最后，原始故障信号表示为：式中，为原始故障信号，r(t)为EEMD分解后的残余量。所述步骤(3)具体包括以下步骤：(3a)对每个IMFs分量做Hilbert变换后，第j个IMFs分量的时频分布为：式中，为第j个IMFs分量的时频分布，ω为角频率，Aj(t)是第j个IMFs分量的振幅，ωj(t)为第j个IMFs分量的角频率；原始故障信号的时频分布为：式中，Z(ω，t)为原始故障信号的时频分布；(3b)选择前8个IMFs分量。在所述步骤(4)中，对所选取的前8个IMFs分量，使用包络分析得到包络信号：式中，S(ω)为故障信号的包络信号，Zj(ω，t)为第j个IMFs分量的时频分布；通过观察包络信号频谱中不同频率分量的特征，筛选出故障特征参数，记为{x1，x2，...，xf}，f为故障特征参数个数。所述步骤(5)具体包括以下步骤：引入高斯核函数代替原始小树变换中的相关系数矩阵，其中，xe，xg为样本，σ为高斯核函数的超参数；(5a)将故障特征参数{x1，x2，...，xf}输入高斯核函数中，记K(xe，xg)＝Keg，f为故障特征参数个数；构造f×f阶高斯核矩阵K，视Keg为K的第e行第g列元素；(5b)初始化分解层数l＝1，...，L，其最大分解层数为L＝f-1；在l＝0层，初始化基矩阵B0为f×f的单位矩阵，初始化和变量的下标集δ＝{1，2，...，f}；(5c)在高斯核矩阵K(l-1)找出数值最大的元素，记其所在行为α，所在列为β：(α，β)＝argmaxK(l-1)(e，g)其中：argmax表示在矩阵中寻找最大值，K(l-1)(e，g)表示在第l-1层的高斯核矩阵K(l-1)在坐标(e，g)处的值，且e＜g，e和g必须属于和变量的下标集，差变量不做处理；(5d)在变量树上进行局部PCA变换，求雅可比旋转矩阵J：其中：c＝cosθl，s＝sinθl，旋转角θl可以通过得到；式中，表示高斯核矩阵K(l)在第α行第α列处的值，表示高斯核矩阵K(l)在第β行第β列处的值，表示高斯核矩阵K(l)在第α行第β列处的值；(5e)根据雅可比矩阵更新基矩阵B(l)和高斯核矩阵K(l)：B(l)＝B(l-1)J，K(l)＝JTK(l-1)J(5f)进行多尺度分析；(5g)重复步骤(5c)至步骤(5f)，直到l＝L层，第l层的小树分解为：式中，R为第l层的小树分解，φl为尺度函数，为细节函数，φl，d是φl与上一层尺度向量φl-1，d的联合，hl，d是原始数据在尺度向量集上的投影；(5h)将经过小树变换后得到的特征向量矩阵X′进行归一化处理，记为X：式中，X(o，p)为矩阵X在第o行第p列的值，X′(o，p)为矩阵X′在第o行第p列的值，min(X′)为矩阵X′中的最小值，max(X′)为矩阵X′中的最大值。所述步骤(6)具体包括以下步骤：将步骤(5)得到的样本数据X按3：7分为训练集X1和测试集X2；训练集用来构造SVM分类器模型，测试集用来实际诊断电路故障：(6a)将X1输入支持向量机进行训练，构造最优化模型，目标函数为：约束本文档来自技高网...

【技术保护点】
1.一种基于改进小树变换的NPC三电平逆变器故障诊断方法，其特征在于：该方法包括下列顺序的步骤：(1)构建NPC三电平逆变器电路仿真模型，模拟故障过程，测量桥臂的电压波形作为故障信号；(2)用集合经验模态分解EEMD将故障信号分解为多个IMFs分量；(3)对每个IMFs分量进行希尔伯特Hilbert变换，得到其时频分布和振幅，选择前8个IMFs分量；(4)对经过步骤(3)所选取的IMFs分量，使用包络分析拟合出包络信号，筛选出故障特征参数；(5)用高斯核函数对小树变换进行优化，优化后的小树变换可以使步骤(4)中的故障特征参数降维、聚类，产生彼此独立的特征向量样本；(6)将步骤(5)得到的样本数据按3∶7分为训练集和测试集；训练集用来构造SVM分类器模型，测试集用来实际诊断电路故障。

【技术特征摘要】
1.一种基于改进小树变换的NPC三电平逆变器故障诊断方法，其特征在于：该方法包括下列顺序的步骤：(1)构建NPC三电平逆变器电路仿真模型，模拟故障过程，测量桥臂的电压波形作为故障信号；(2)用集合经验模态分解EEMD将故障信号分解为多个IMFs分量；(3)对每个IMFs分量进行希尔伯特Hilbert变换，得到其时频分布和振幅，选择前8个IMFs分量；(4)对经过步骤(3)所选取的IMFs分量，使用包络分析拟合出包络信号，筛选出故障特征参数；(5)用高斯核函数对小树变换进行优化，优化后的小树变换可以使步骤(4)中的故障特征参数降维、聚类，产生彼此独立的特征向量样本；(6)将步骤(5)得到的样本数据按3∶7分为训练集和测试集；训练集用来构造SVM分类器模型，测试集用来实际诊断电路故障。2.根据权利要求1所述的基于改进小树变换的NPC三电平逆变器故障诊断方法，其特征在于：所述步骤(2)具体包括以下步骤：(2a)在原始故障信号u(t)中加入正态分布的白噪声序列a(t)，得到U(t)：U(t)＝u(t)+a(t)式中，U(t)是加入白噪声序列后的故障信号，u(t)是原始故障信号，a(t)是白噪声序列；(2b)对U(t)进行EMD分解，得到一组IMFs分量bj(t)和残留量rj(t)：式中，bj(t)是IMFs分量，rj(t)是残留量，j＝1，2，...，n，n为IMFs分量的个数；(2c)每次加入不同的白噪声序列ai(t)，重复步骤(2a)和步骤(2b)：式中，Ui(t)为加入第i个白噪声序列ai(t)后的故障信号，bij(t)为加入第i个白噪声序列ai(t)后的IMFs分量，rij(t)为加入第i个白噪声序列ai(t)后的残留量，N为加入高斯白噪声的次数；(2d)利用白噪声频谱的均匀分布，当信号加在遍布整个时频空间的白噪声背景上时，不同时间尺度的信号会自动分布到合适的参考尺度上；由于零均值噪声的特性，经过多次平均后，噪声将相互抵消，每次得到的IMFs集成均值就可作为最终结果；IMFs分量平均值表示为：式中，为第j个IMFs分量的平均值；最后，原始故障信号表示为：式中，为原始故障信号，r(t)为EEMD分解后的残余量。3.根据权利要求1所述的基于改进小树变换的NPC三电平逆变器故障诊断方法，其特征在于：所述步骤(3)具体包括以下步骤：(3a)对每个IMFs分量做Hilbert变换后，第j个IMFs分量的时频分布为：式中，为第j个IMFs分量的时频分布，ω为角频率，Aj(t)是第j个IMFs分量的振幅，ωj(t)为第j个IMFs分量的角频率；原始故障信号的时频分布为：式中，Z(ω，t)为原始故障信号的时频分布；(3b)选择前8个IMFs分量。4.根据权利要求1所述的基于改进小树变换的NPC三电平逆变器故障诊断方法，其特征在于：在所述步骤(4)中，对所选取的前8个IMFs分量，使用包络分析得到包络信号：式中，S(ω)为故障信号的包络信号，Zj(ω，t)为第j个IMFs分量的时频分布；通过观察包络信号频谱中不同频率分量的特征，筛选出故障特征参数，记为{x1，x2，...，xf}，f为故障特征参数个数。5.根据权利要求1...

【专利技术属性】
技术研发人员：李兵，钱李欣，崔介兵，周健波，韩睿，张晓艺，何怡刚，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34